论文部分内容阅读
云是气象研究中的重要因子,它是影响地球能量和水汽平衡的重要因素之一。云图的自动分类是实现地基云自动化观测中亟待解决的一个难点。在当前的云观测项目中,云状的观测仍然以目测为主,目测归类以《中国云图》云分类为基准。在器测云分类时,若以目测归类的标准来归类,在云类识别时造成的误判相当严重。利用器测对地基云进行分类始终没有一个客观的标准,现有的云状识别方面的研究都只是在方法上进行了一些初步的探讨。本文根据云的形成物理机制和形态,对云进行了一个粗分类,提出了两种器测云分类方案,一种是将云分为积状云、层状云和卷云三大类;另一种是将云分为积状云、层状云和波状云三大类。晴空作为一种天空状况,在上述两种分类方案中单独作为一类。对云图进行分类识别的首要步骤是提取云图特征。文中详细介绍了数字云图纹理、颜色和形状特征提取的相关算法:通过灰度共生矩阵法和Tamura纹理来表征云图纹理信息;通过颜色矩来表征云图的颜色信息;通过形状无关矩来表征云图形状信息。在提取了云图的特征之后是采用分类器进行分类识别,文中介绍了当前云状识别研究中几种常用的分类器,通过比较,本研究选用KNN(K-Nearest-Neighbor,KNN)分类器进行分类识别,该算法是成熟、简单的机器学习算法之一,在解决复杂问题时K近邻分类器具有运算模型简单且计算复杂度低等优点。通过对第一种云分类方案(积状云、层状云、卷云和晴空)和第二种云分类方案(积状云、波状云、层状云和晴空)4种天空类型的纹理、颜色和形状特征进行分析,采用K最近邻分类器在不同的K取值情况下选用不同的特征量组合对这几类天空类型进行了分类识别,文中共选取了8个不同的K值。文中特征量组合共包括七种组合(单独使用纹理特征、颜色特征和形状特征的分类识别,纹理特征、颜色特征和形状特征两两组合的分类识别,纹理、颜色和形状特征三者结合的分类识别),对两种云分类方案识别的结果有如下结论:(1)当纹理特征、颜色特征和形状特征结合使用时获取了比单独利用纹理特征、颜色特征和形状特征以及它们两两组合时更好的识别效果。(2)当KNN分类器中K值为7且使用21个特征参量时有最好的识别结果,其中对积状云、层状云、卷云和晴空的识别正确率分别为91.1%、74.4%、70.0%和100.0%,平均正确率为83.9%,对积状云、波状云、层状云和晴空的识别正确率分别为86.7%、70.0%、72.2%和100.0%,平均正确率为82.2%。比较两种云分类方案的识别结果之后,对第一种云分类方案(平均识别正确率为83.9%)进行了特征量组合优化,第一种云分类方案中共选用了21个特征量,但是由于一些特征量是冗余的,特征量组合优化的目的便是减少这些冗余特征量对于识别结果的影响。优化之后的识别正确率得到了提高,当K为7时,对积状云、层状云、卷云和晴空的识别率分别为90.0%、80.0%、72.2%、100.0%,平均识别正确率为85.6%。通过对特征量组合的优化,减少了冗余的特征分量,提高了识别速度。